Das Meistern eines Videospiels erfordert Fähigkeiten, Taktik und Strategie. Während Menschen diese Eigenschaften möglicherweise natürlicher erwerben können, ist es eine viel größere Herausforderung, sie einem Computerprogramm beizubringen. In den letzten Jahren wurde intensiv in der Forschung zum Bereich des Reinforcement Learnings gearbeitet, und zahlreiche Algorithmen wurden vorgestellt, die lernen sollen, menschliche Aufgaben wie das Spielen von Videospielen auszuführen. Als Ergebnis davon ist die Arcade Learning Environment (ALE) (Bellemare et al., 2013) zu einer weit verbreiteten Benchmark-Umgebung geworden, die Algorithmen ermöglicht, auf verschiedenen Atari 2600-Spielen zu trainieren. In vielen Spielen übertreffen die neuesten Algorithmen die Leistung von Menschen. In dieser Arbeit stellen wir eine neue Lernumgebung vor: die Retro Learning Environment --- RLE, die Spiele auf dem Super Nintendo Entertainment System (SNES), Sega Genesis und mehreren anderen Spielkonsolen ausführen kann. Die Umgebung ist erweiterbar, sodass leicht weitere Videospiele und Konsolen hinzugefügt werden können, wobei dieselbe Schnittstelle wie bei der ALE beibehalten wird. Darüber hinaus ist RLE mit Python und Torch kompatibel. SNES-Spiele stellen für aktuelle Algorithmen eine erhebliche Herausforderung dar aufgrund ihrer höheren Komplexität und Vielseitigkeit.